AI Radar — 每天的 AI 热点、模型与教程

SpaceXAI 刚刚发布了 Grok Voice 3.0。Grok Voice 3.0 是 SpaceXAI 的语音到语音模型，能够聆听、推理、调用工具并开口说话。它目前以 86.9 分在 Artificial Analysis Speech-to-Speech Index 上排名第一。对开发者而言，端点、事件以及每分钟 0.08 美元的价格与 Grok Voice 2.0 相比均未改变。

TL;DR

运行方式：仅运行在 SpaceXAI 托管的 Voice Agent API 上。没有开源权重，也没有本地或量化版本。

性能：在 Artificial Analysis 当前排名的所有模型中 Index 得分最高。

最佳：在 AA Speech-to-Speech Index 上得分 86.9，排名第 1。

最差：在 τ-Voice 上为 71.6%，落后于 GPT-Live-1（Astra，medium）的 74.5%。

结论：

最佳：以 0.81 秒的首音频延迟取得最高综合得分。

最差：在智能体任务解决或原始语音推理方面并非领先者。

什么是 Grok Voice 3.0？

Grok Voice 3.0 是 SpaceXAI 的旗舰实时语音模型，以 grok-voice-3.0 的形式暴露在 /v1/realtime WebSocket 端点上。grok-voice-latest 别名已指向它，因此现有智能体已自动切换。

SpaceXAI 尚未公布参数数量或架构细节。推理默认开启（reasoning.effort: "high"），可设为 "none" 以加快轮次。服务端语音活动检测负责处理打断。工具在会话内运行：collections search、web search、X search、远程 MCP 服务器和自定义函数。

Grok Voice 3.0 在基准测试中表现如何？

AA Speech-to-Speech Index 是 4 个组成部分的等权平均值。这些组成部分是 Big Bench Audio 推理、τ-Voice 智能体表现、Speech Agent Arena 偏好和任务成功率。

Grok Voice 3.0 得分 86.9。GPT-Live-1（Astra，medium）得分 83.2，Gemini 3.8 Live Extended Thinking 82.6。Grok Voice 2.0 得分为 81.3。

各组成部分结果强劲，但并非全部第一：

Big Bench Audio：98.5%，排名第 4。StepAudio 3 Realtime 以 99.7% 领先。

Full Duplex Bench：97.0%，排名第 4。StepAudio 3 Realtime 以 98.9% 领先。

任务成功率：94.8%，高于 Grok Voice 2.0 的 94.6%。

Speech Agent Arena Elo：1070，是此处比较的 4 个模型中最高的。

τ-Voice：71.6%，高于 56.5%，但低于 GPT-Live-1（Astra，medium）的 74.5%。

ServiceNow 的 EVA-Bench 从准确度和体验两方面对企业语音智能体进行评分。SpaceXAI 报告的最高准确度得分为 74%。

Grok Voice 3.0 又快又便宜吗？

Artificial Analysis 测得的首音频时间为 0.81 秒。GPT-Live-1（Astra，medium）测得 1.34 秒，因此 SpaceXAI 的“延迟降低 40%”说法属实。不过 Grok Voice 2.0 更快，为 0.70 秒。

在成本方面，SpaceXAI 引用了 Artificial Analysis 的每项 Big Bench Audio 任务成本。Grok Voice 3.0 每项任务成本为 $0.025，而 GPT-Live-1（Astra，medium）为 $0.030，GPT-Realtime-2.1（High）为 $0.055。在 AA 的每小时输入音频成本上，Gemini 3.8 Live Extended Thinking 更便宜：$3.50 对 $4.80。

标价不能直接比较。GPT-Live-1 每分钟收费 $0.05，但后端模型和工具使用另行计费。Gemini 3.8 Live 按分钟收取音频费用，外加文本 token 费用。

Back</button><button class="btn" id="gvNext">Next </button><button class="btn" id="gvPlay">Auto-play</button></div>

</div>

</div>

</g>

首次音频时间（越低越快）

τ-Voice 成功率

</g>

更好

</svg>

来源：Artificial Analysis，访问于 2026 年 10 月 14 日。Grok Voice 3.0 在 τ-Voice 上落后 GPT-Live-1（Astra，medium）2.9 分，但首次音频时间快 0.53 s。

</div>

<div class="k"><b>$0.08/min</b><span>$4.80/hr，与 Grok Voice 2.0 相同</span></div>

<div class="k"><b>0.81 s</b><span>首次音频时间（AA）</span></div>

<div class="k"><b>28</b><span>内置音色，另支持克隆</span></div>

<div class="k"><b>20</b><span>列出的语言区域，自动检测</span></div>

<div class="k"><b>SIP</b><span>电话与联络中心路由</span></div>

</div>

<pre><code>wss://api.x.ai/v1/realtime?model=grok-voice-3.0

{"type": "session.update",

"session": {

"voice": "eve",

"reasoning": {"effort": "high"},

"turn_detection": {"type": "server_vad"},

"tools": [{"type": "web_search"}]

}}</code></pre>

<p class="note"><code>grok-voice-latest</code> 别名已指向 <code>grok-voice-3.0</code>。在生产环境中请固定使用带版本号的名称。Grok Voice 2.0 已弃用。</p>

</div>

<div class="ft"><span>数据：<a href="https://x.ai/news/grok-voice-3" target="_blank" rel="noopener">SpaceXAI</a>、<a href="https://artificialanalysis.ai/speech-to-speech" target="_blank" rel="noopener">Artificial Analysis</a>、<a href="https://docs.x.ai/developers/model-capabilities/audio/speech-to-speech" target="_blank" rel="noopener">SpaceXAI 文档</a></span><span class="brand">© Marktechpost</span></div>

</div>

(function(){

var R=document.getElementById('mtp-gv3');

function post(){try{parent.postMessage({mtpEmbed:'gv3',height:R.offsetHeight+40},'*')}catch(e){}}

R.querySelectorAll('.tab').forEach(function(t){t.addEventListener('click',function(){

R.querySelectorAll('.tab').forEach(function(x){x.classList.remove('on')});

R.querySelectorAll('.pnl').forEach(function(x){x.classList.remove('on')});

t.classList.add('on');document.getElementById(t.dataset.p).classList.add('on');

if(t.dataset.p==='p2')drawBars();if(t.dataset.p==='p3')drawDots();setTimeout(post,60);});});

/* wave */

var w=document.getElementById('gvWave');for(var i=0;i<48;i++){var b=document.createElement('i');b.style.animationDelay=(i*0.045)+'s';w.appendChild(b);}

/* pipeline */

var S=[

['Caller speaks','Audio streams over a WebSocket (or SIP for phone calls) as PCM at 8 to 48 kHz, G.711 or Opus.'],

['Turn detection','Server-side voice activity detection decides when the caller has finished, and handles barge-in when they interrupt.'],

['Reasoning','Reasoning is on by default with reasoning.effort set to "high". Set it to "none" for faster, simpler turns.'],

['Tools','The agent can call collections search, web search, X search, remote MCP servers and your own functions mid-call.'],

['Reply streams','Audio deltas stream back as soon as they are ready. Artificial Analysis measures 0.81 s to first audio.']];

var F=document.getElementById('gvFlow'),cur=0,timer=null;

S.forEach(function(s,i){var b=document.createElement('button');b.className='st';b.innerHTML='<div class="n">STEP '+(i+1)+'</div><div class="t">'+s[0]+'</div>';

b.addEventListener('click',function(){stop();show(i)});F.appendChild(b);});

function show(i){cur=(i+S.length)%S.length;F.querySelectorAll('.st').forEach(function(x,j){x.classList.toggle('on',j===cur)});

document.getElementById('gvDt').textContent=S[cur][0];document.getElementById('gvDp').textContent=S[cur][1];}

function stop(){if(timer){clearInterval(timer);timer=null;document.getElementById('gvPlay').textContent='Auto-play';}}

document.getElementById('gvPrev').onclick=function(){stop();show(cur-1)};

document.getElementById('gvNext').onclick=function(){stop();show(cur+1)};

document.getElementById('gvPlay').onclick=function(){if(timer){stop();return}this.textContent='Pause';timer=setInterval(function(){show(cur+1)},2200)};

show(0);

/* bars */

var M=['Grok Voice 3.0','Grok Voice 2.0','GPT-Live-1 (Astra, medium)','Gemini 3.8 Live Ext. Thinking'];

var B={

'AA Index'：{v:[86.9,81.3,83.2,82.6],max:100,f:function(x){return x.toFixed(1)},n:'Big Bench Audio、τ-Voice、Arena 偏好和任务成功率的等权平均值。'}，

'Big Bench Audio'：{v:[98.5,97.2,90.1,97.7],max:100,f:function(x){return x.toFixed(1)+'%'},n:'语音推理。Grok Voice 3.0 总体排名第 4；StepAudio 3 Realtime 以 99.7% 领先。'}，

'τ-Voice'：{v:[71.6,56.5,74.5,68.6],max:100,f:function(x){return x.toFixed(1)+'%'},n:'带工具的模拟客服通话。GPT-Live-1（Astra，medium）在该组中领先。'}，

'Full Duplex Bench'：{v:[97.0,95.1,94.9,91.9],max:100,f:function(x){return x.toFixed(1)+'%'},n:'停顿、轮流发言、打断和附和。'}，

'Task success'：{v:[94.8,94.6,87.4,89.1],max:100,f:function(x){return x.toFixed(1)+'%'},n:'以正确的最终工具调用结束的对话占比。'}，

'Arena Elo'：{v:[1070,1011,1056,993],max:1100,f:function(x){return String(x)},n:'Artificial Analysis 上的 Live Speech Agent Arena Elo。越高越受偏好。'}，

'Time to first audio'：{v:[0.81,0.70,1.34,1.35],max:1.5,f:function(x){return x.toFixed(2)+' s'},n:'越低越快。Grok Voice 2.0 比 3.0 更快。'}}；

var C=document.getElementById('gvChips'),BR=document.getElementById('gvBars'),key='AA Index';

Object.keys(B).forEach(function(k){var c=document.createElement('button');c.className='chip'+(k===key?' on':'');c.textContent=k;

c.onclick=function(){key=k;C.querySelectorAll('.chip').forEach(function(x){x.classList.toggle('on',x===c)});drawBars()};C.appendChild(c);});

M.forEach(function(m,i){var r=document.createElement('div');r.className='row';

r.innerHTML='<div class="lbl">'+m+'</div><div class="trk"><div class="fill'+(i===0?' me':'')+'"></div></div><div class="val"></div>';BR.appendChild(r);});

function drawBars(){var d=B[key];BR.querySelectorAll('.row').forEach(function(r,i){var f=r.querySelector('.fill');f.style.width='0';

r.querySelector('.val').textContent=d.f(d.v[i]);setTimeout(function(){f.style.width=(d.v[i]/d.max*100)+'%'},40+i*90)});

document.getElementById('gvNote').textContent=d.n+' Source: Artificial Analysis / SpaceXAI.';}

drawBars();

/* scatter */

var P=[['Grok Voice 3.0','0.81 s · 71.6%',0.81,71.6,1,'r'],['Grok Voice 2.0','0.70 s · 56.5%',0.70,56.5,0,'r'],['GPT-Live-1 (Astra, medium)','1.34 s · 74.5%',1.34,74.5,0,'l'],['Gemini 3.8 Live Ext. Thinking','1.35 s · 68.6%',1.35,68.6,0,'l']];

var G=document.getElementById('gvDots'),NS='http://www.w3.org/2000/svg';

P.forEach(function(p){var x=70+(p[2]-0.5)*540,y=280-(p[3]-50)/30*250;var g=document.createElementNS(NS,'g');g.setAttribute('class','dot');

var c=document.createElementNS(NS,'circle');c.setAttribute('cx',x);c.setAttribute('cy',y);c.setAttribute('r',p[4]?9:7);

c.setAttribute('fill',p[4]?'#ffffff':'#5c5c5c');c.setAttribute('stroke',p[4]?'#ffffff':'#9a9a9a');g.appendChild(c);

[[p[0],0,p[4]?'700':'600'],[p[1],15,'500']].forEach(function(L){var t=document.createElementNS(NS,'text');

t.setAttribute('x',p[5]==='r'?x+14:x-14);t.setAttribute('y',y-2+L[1]);t.setAttribute('text-anchor',p[5]==='r'?'start':'end');

t.setAttribute('fill',p[4]?'#ffffff':'#bdbdbd');t.setAttribute('font-size','12');t.setAttribute('font-weight',L[2]);t.textContent=L[0];g.appendChild(t);});

G.appendChild(g);});

function drawDots(){G.querySelectorAll('.dot').forEach(function(g,i){g.style.opacity='0';g.style.transform='translateY(30px)';

setTimeout(function(){g.style.opacity='1';g.style.transform='none'},80+i*150)});}

window.addEventListener('load',post);window.addEventListener('resize',post);setTimeout(post,300);

})();

</script>

</body>

</html>

Grok Voice 3.0 与 GPT-Live-1 和 Gemini 3.8 Live 相比如何？

FeatureGrok Voice 3.0Grok Voice 2.0GPT-Live-1 (Astra, medium)Gemini 3.8 Live Extended ThinkingDeveloperSpaceXAISpaceXAIOpenAIGoogleParametersNot disclosedNot disclosedNot disclosedNot disclosedContext lengthNot disclosedNot disclosedNot disclosedNot disclosedWeightsClosed, API onlyClosed, deprecatedClosed, API onlyClosed, API onlyInput / outputAudio, text / audio, textAudio, text / audio, textAudio, text / audio, textText, image, video, audio / audio, textAA Speech-to-Speech Index86.981.383.282.6Big Bench Audio98.5%97.2%90.1%97.7%τ-Voice71.6%56.5%74.5%68.6%Full Duplex Bench97.0%95.1%94.9%91.9%Task success rate94.8%94.6%87.4%89.1%Arena Elo (AA live)107010111056993Time to first audio0.81 s0.70 s1.34 s1.35 sAA cost per hour input audio$4.80$4.80$5.83$3.50List price$0.08/min$0.08/min$0.05/min plus backend usage$0.005/min audio in, $0.018/min audio out, plus text tokens

基准测试数据：Artificial Analysis，访问于 2026 年 10 月 14 日。SpaceXAI 的博客列出了冻结的 Arena Elo 值：1048（GPT-Live-1）和 990（Gemini）。

开发者如何部署 Grok Voice 3.0？

该 API 与 OpenAI Realtime API 兼容，因此迁移主要意味着换一个新的 URL 和密钥。

传输方式：WebSocket、WebRTC 演示应用，以及用于电话和联络中心呼叫的 SIP。

音频：8 至 48 kHz 的 PCM、G.711 μ-law 和 A-law，以及 Opus。

音色：28 个内置音色，外加从最长 120 s 的参考片段克隆的自定义音色。

语言：列出 20 个区域设置，支持自动语言检测。

扩展功能：用于脚本化台词的 force_message、发音替换映射，以及 30 分钟会话恢复。

合规性：SOC 2 Type II、符合 HIPAA（需签署 BAA）以及 GDPR。SpaceXAI 表示音频不会被存储或用于训练。

生产团队应固定使用 grok-voice-3.0，而不是别名。Grok Voice 2.0 现已弃用。

关键要点

Grok Voice 3.0 以 86.9 在 AA Speech-to-Speech Index 上排名第 1。

它能在 0.81 s 内作答，延迟比 GPT-Live-1 (Astra, medium) 低 40%。

τ-Voice 跃升至 71.6%，但 GPT-Live-1 仍以 74.5% 领先。

价格保持在每分钟 $0.08，且 grok-voice-latest 已自动升级。

它仅提供 API：没有开源权重，也未披露规模。

查看官方公告、Speech to Speech 文档和 Artificial Analysis 排行榜。所有功劳都归于本项目的研究人员。另外，欢迎在 Twitter 上关注我们，别忘了加入我们拥有 15 万+ 成员的 ML SubReddit 并订阅我们的 Newsletter。等等！你在用 Telegram 吗？现在你也可以在 Telegram 上加入我们了。

文章《Meet Grok Voice 3.0: SpaceXAI Voice Agent Model Ranks #1 on Artificial Analysis》最初发布于 MarkTechPost。

SpaceXAI 发布 Grok Voice 3.0，语音榜登顶

1 个独立信源

相关条目